Un enthousiasme initial qui s'essouffle
Les entreprises françaises, notamment les PME et les ETI, multiplient ateliers, démonstrations et projets pilotes autour de l'intelligence artificielle. Pourtant, sur le terrain, ces démarches peinent à se transformer en services exploités au quotidien. Le constat est net : la preuve de concept (POC) réussit souvent, mais la mise en production fait défaut.
Les causes structurelles d'un échec répandu
Plusieurs explications émergent des retours d'expérience : choix de périmètres trop favorables pour le POC, données idéalisées, absence de prise en compte des cas limite et d'anciennes archives hétérogènes. La traduction d'une démonstration en solution robuste et maintenable est rarement anticipée.
- POC vs MVP : un POC est conçu pour prouver une faisabilité ; un MVP doit être utile, exploitable et intégrable dans les process métiers.
- Données : la qualité et l'hétérogénéité des jeux de données réels bloquent la montée en charge.
- Gouvernance : organisations sans owner métier clair, maintenance sous-estimée et dépendance aux prestataires externes.
Un chiffre qui illustre le malaise
« Selon l'étude NANDA du MIT publiée à l'été 2025, 95 % des projets d'IA générative en entreprise ne vont pas en production. »
Qu'on dispute ou nuance la précision de ce ratio, il reflète l'ordre de grandeur observé par de nombreux acteurs : la grande majorité des initiatives n'ont pas d'impact opérationnel durable.
Conséquences pour le secteur, les salariés et les clients
Pour les entreprises, l'addition d'investissements, d'heures de conseil et de licences sans retour tangible fragilise la rentabilité et crée une défiance vis-à-vis de la transformation numérique. Pour les salariés, l'absence d'outils stabilisés limite les gains de productivité promis ; elle peut aussi maintenir des tâches répétitives chronophages. Pour les clients, des déploiements incomplets aboutissent à des expériences décevantes ou à des services de moindre qualité.
Ce qui fonctionne : orienter le projet dès le départ
Les retours de terrain convergent vers des bonnes pratiques concrètes : partir d'un cas métier critique, définir des indicateurs d'usage réels, prévoir la maintenance et l'évolution dès la conception, et intégrer la gestion des données hétérogènes. La relation avec l'ESN ou le prestataire doit porter sur la pérennité et non sur la seule preuve technique.
| Phase | Objectif | Erreur fréquente |
|---|---|---|
| POC | Valider la faisabilité | Périmètre trop favorable, données propres |
| MVP | Obtenir un usage régulier | Absence d'owner métier, cas limites non traités |
| Production | Maintenance et montée en charge | Sous-estimation des coûts de maintenance |
Conclusion
Le défi des PME et ETI françaises n'est pas uniquement technique : il est organisationnel et méthodologique. Réussir l'IA en entreprise suppose de concevoir des projets pensés pour durer, avec des indicateurs d'usage, une gouvernance claire et une stratégie de données réaliste. Sans ces éléments, la majorité des POC resteront des démonstrations convaincantes mais éphémères, loin des gains attendus.
